双流道泵(Double-Channel Pump，DCP)是一种特殊的流道式离心式泵，由于其叶轮的水力设计理论和方法不够成熟，普遍存在着水力效率较低、能耗较高、运行稳定性较差的问题，开展双流道泵叶轮的优化设计研究势在必行。然而，目前双流道泵叶轮的优化设计多采用试验和数值计算的方法，结合先进的数值优化算法的优化设计研究较少。所以，以双流道泵叶轮为研究对象进行水力性能的多目标设计优化研究具有重要的意义:一方面可以通过多元回归分析和人工神经网络等近似模型，研究双流道泵几何参数和性能参数的交互影响，确定双流道泵叶轮最优设计方案所在的设计变量区域，同时，还可对比分析在不同近似模型下的双流道泵叶轮优化设计结果的可靠性;另一方面可以研究多目标遗传算法在叶轮机械优化领域面临的具体问题及解决方法，为其它叶轮机械的设计优化提供参照。　　在国家自然科学基金资助项目(No.51109094)的资助下，本文以一比转数为110.9的双流道泵叶轮为研究对象，对其水力优化涉及的各个环节进行系统研究，提出适用于双流道泵叶轮的多目标遗传优化设计方法，主要工作和结论如下:　　1、采用数值模拟方法研究了表面粗糙度对离心泵内流场和外特性的影响规律，建立了考虑表面粗糙度的离心泵水力性能计算公式，解决了传统流场模拟法计算离心泵水力性能时存在的缺点:计算域不完全，计算结果无法全面展示真实流场情况、数值计算时未考虑表面粗糙度对内流场和外特性的影响、未考虑前、后泵腔中叶轮盖板与液体的摩擦产生扭矩，导致轴功率计算不准确。研究表明:表面粗糙度对叶轮流道内尾流-射流结构影响较大，因此对流场计算及流动不合理分析影响较大;新建的全流场模拟法和改进的水力性能计算公式可以较好预测DCP的水力性能，在设计工况下，扬程的计算值与性能试验实测值相差-1.99％，效率相差为0.73％，轴功率的相差-4.21％，预测结果更加准确。　　2、采用均匀试验设计、人工神经网络和多元回归分析相结合的方法，建立了双流道泵水力性能参数与几何参数之间关系，解决遗传寻优中子代样本（临时叶轮）的适应度函数赋值比较困难的问题。通过多元回归分析方法，分析几何参数及其交互作用对双流道泵水力性能的影响，确定优化方案所在设计变量的变化区间，和后续遗传算法获得的优化方案进行相互验证。研究表明:(1)通过均匀试验设计和数据归一等预处理方法，可以较好地建立DCP的性能近似模型——性能参数与几何参数之间的关系，避免试验次数过多和参数量纲不一致引起的神经网络训练收敛失败和预测精度较差的问题;(2)多元回归分析发现，叶轮外径D2、出口宽度b2、入口直径D1和包角ψ，对扬程的影响较大，且参数之间存在交互效应，即，一个几何参数改变时，另一几何参数对DCP的性能影响程度和规律发生改变。当杨程和效率满足优化目的时，即根据多元回归方程H≥0.37、η≥1时，获得了几何参数的变化范围:0.1≤D2≤0.25，D1≤0.05，0.3≤ψ≤0.6，b2≤0.2;通过不断增加神经网络训练样本的方法，可以以较少训练样本数，获得预测误差较小的神经网络。　　3、首先，基于精英保留多目标遗传算法，联合人工神经网络预测模型和高精度的CFD计算方法，建立了适用于叶轮机械水力优化的多目标遗传优化策略。该优化策略包含了两个循环，分别为遗传算法寻优循环和神经网络预测精度校正循环。遗传优化循环在上一轮已建神经网络预测模型的基础上，通过遗传操作（选择、交叉和变异）找到该预测模型下的稳定的pareto前沿;神经网络预测精度校正循环则通过添加新的训练样本不断提升神经网络的预测精度。　　然后，采用该优化策略对一791翼型进行了水力优化，研究结果表明:神经网络可以充当在流体机械领域衔接先进数值计算方法和遗传算法的桥梁;神经网络预测精度校正环节有效地提高了神经网络预测Pareto最优解的准确性，确保整个优化策略朝着Pareto前沿方向进行;与联合多元回归方程的多目标遗传优化相比，联合人工神经网络的多目标遗传优化对拟合函数的依赖性较小，优化结果更可靠。　　最后，利用该优化策略对本文所研究的双流道泵叶轮进行水力优化，研究结果表明:(1)在双流道泵叶轮优化过程中，多元回归分析可以直观的分析几何参数及其交互效应对性能的影响，确定叶轮最优设计方案所在的几何参数的范围，联合多目标优化算法可以获得精确的最优解，但最优解受到多元回归函数类型的影响，可能并非真实的最优解;(2)在双流道泵优化领域，结合均匀试验设计方法和神经网络建模，可以准确的逼近几何参数和性能参数之间真实的关系，联合多目标遗传算法可以获得模式更加全面的最优解，较少的受到拟合函数的影响;(3)优化后泵的扬程提高了3.7％，轴功率减小了2.68％，效率提高了6.56％，内流场的湍动能较大的区域明显减小，涡量较大的区域减小;